8B-utgåvan Instruct för bild och språk
Qwen3-VL-8B-Instruct är den täta instruktionsinriktade 8B-utgåvan av Qwen3-VL. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Den förblir åtskild från den resonemangsförstärkta Thinking-utgåvan och från glesa expertmodeller i samma familj. Välj den för en avgränsad visuell instruktion, dokumentfråga eller redigerbar artefakt vars resultat kan jämföras med tillhandahållna belägg.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av dator- eller mobilgränssnittselement, förståelse av deras funktioner och användning av verktyg i ett visuellt agentflöde. Ge en skärmbild och ett konkret mål och fråga sedan vilka synliga kontroller som motsvarar målet och vilka belägg som stöder valet. Ansluten programvara utför åtgärder; att känna igen ett gränssnitt ger inte självständigt modellen kontroll över en enhet.
Visuell kodning omfattar produktion av diagraminnehåll och HTML, CSS eller JavaScript från bilder eller video. Tillhandahåll layoutreferensen tillsammans med funktionskrav och nödvändiga redigerbara utdata. Begär källstruktur och stilar separat när det underlättar granskningen. Genererad kod är en textartefakt; den behöver fortfarande ett utvecklingsflöde för att renderas och få sitt beteende bedömt.
Spatial perception och långt material
Qwen dokumenterar resonemang om objektpositioner, synvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Namnge målobjektet och ange relationen som undersöks. Ett resultat om relativ position är en slutsats från bilden, inte ett kalibrerat fysiskt mått.
Den inbyggda kontexten är 262,144 token. Familjen beskriver böcker och timmar av video, med händelseindexering på sekundnivå och utökning till omkring en miljon token genom konfiguration. Representation, bildrutesampling och den konfigurerade sekvensgränsen avgör vilket material som bearbetas. En stor kontext garanterar inte fullständig återgivning av varje sida eller bildruta. Bevara timing när en videohändelseredogörelse begärs.
Multimodalt resonemang, igenkänning och OCR
Familjen stöder STEM- och matematikfrågor, kausalanalys och beläggsbaserade visuella förklaringar. Ge hela problemformuleringen tillsammans med ett diagram och begär de använda värdena och relationerna före slutsatsen. Igenkänningen omfattar många slags människor, produkter, landmärken, växter, djur och mediefigurer; en rimlig etikett ska kontrolleras när identifieringen är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning vid svagt ljus, oskärpa eller lutning, inklusive specialistvokabulär och långa dokuments struktur. Ge en läsbar sida och begär namngivna fält, citat eller en strukturerad tabell som kan kontrolleras mot den. Text- och bildförståelse kombineras, så en fråga kan koppla ett stycke till en figur och användarens instruktioner.
Arkitekturuppdateringar
Den publicerade täta textkonfigurationen har 36 lager. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar egenskaper från flera nivåer i bildkodaren, och anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Arkitekturfunktionerna beskriver modellens representation; de fastställer ingen bestämd svarstid eller exakt fysisk noggrannhet.
Förbereda indata
Tillverkarens familjeexempel omfattar rena textbegäranden, enskilda eller flera bilder och video. Märk visuella indata och ange deras relation. Pixelbudgetar för bild och video är separata: en bildbudget gäller en bild, medan en videobudget gäller pixlar över samplade bildrutor. Uttryckliga bildmått anpassas till multiplar av 32. Dokumenterad videostandard är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i stödda flöden.
Hjälpflödet bevarar videometadata och rekommenderar att dubbel storleksändring undviks när mediet redan har storleksändrats. För en dokumentuppgift ska sididentifierare behållas; för ett klipp ska händelsen, relevant intervall och synliga belägg efterfrågas. Förberedelseexemplen tillämpar dokumenterade förmågor snarare än garanterar exakt extraktion eller tidsmässig precision.
Genereringsråd och begränsningar
Exakt detta modellkort ger separata uppgiftsförval. Uppgifter med bild och språk använder temperature 0.7, top_p 0.8, top_k 20, upprepningsstraff 1.0 och närvarostraff 1.5, med en utdataram på 16,384 token. Textuppgifter använder temperature 1.0, top_p 1.0, top_k 40, upprepningsstraff 1.0 och närvarostraff 2.0, med en ram på 32,768 token. Detta är budgetar i producentens recept, inte oberoende fastställda hårda utdatatak eller separata modellidentiteter.
Familjens procedur för lång kontext använder YaRN, med en föreslagen faktor på två eller tre när dess sammanflätade positioner utökas från 256K till cirka 1M. Kopiera inte en faktor på fyra från en annan Qwen-familj. Reservera plats för svaret tillsammans med visuella indata och textindata och verifiera OCR, beräknade slutsatser och genererad källkod mot originalmaterialet. Behåll exakt Instruct-utgåva i stället för att importera en Thinking-kontrollpunkts genererings- eller kontrollkontrakt.
", "aboutText": "8B-utgåvan Instruct för bild och språk\n\nQwen3-VL-8B-Instruct är den täta instruktionsinriktade 8B-utgåvan av Qwen3-VL. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Den förblir åtskild från den resonemangsförstärkta Thinking-utgåvan och från glesa expertmodeller i samma familj. Välj den för en avgränsad visuell instruktion, dokumentfråga eller redigerbar artefakt vars resultat kan jämföras med tillhandahållna belägg.\n\nVisuella agenter och visuell kodning\n\nTillverkaren beskriver igenkänning av dator- eller mobilgränssnittselement, förståelse av deras funktioner och användning av verktyg i ett visuellt agentflöde. Ge en skärmbild och ett konkret mål och fråga sedan vilka synliga kontroller som motsvarar målet och vilka belägg som stöder valet. Ansluten programvara utför åtgärder; att känna igen ett gränssnitt ger inte självständigt modellen kontroll över en enhet.\n\nVisuell kodning omfattar produktion av diagraminnehåll och HTML, CSS eller JavaScript från bilder eller video. Tillhandahåll layoutreferensen tillsammans med funktionskrav och nödvändiga redigerbara utdata. Begär källstruktur och stilar separat när det underlättar granskningen. Genererad kod är en textartefakt; den behöver fortfarande ett utvecklingsflöde för att renderas och få sitt beteende bedömt.\n\nSpatial perception och långt material\n\nQwen dokumenterar resonemang om objektpositioner, synvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Namnge målobjektet och ange relationen som undersöks. Ett resultat om relativ position är en slutsats från bilden, inte ett kalibrerat fysiskt mått.\n\nDen inbyggda kontexten är 262,144 token. Familjen beskriver böcker och timmar av video, med händelseindexering på sekundnivå och utökning till omkring en miljon token genom konfiguration. Representation, bildrutesampling och den konfigurerade sekvensgränsen avgör vilket material som bearbetas. En stor kontext garanterar inte fullständig återgivning av varje sida eller bildruta. Bevara timing när en videohändelseredogörelse begärs.\n\nMultimodalt resonemang, igenkänning och OCR\n\nFamiljen stöder STEM- och matematikfrågor, kausalanalys och beläggsbaserade visuella förklaringar. Ge hela problemformuleringen tillsammans med ett diagram och begär de använda värdena och relationerna före slutsatsen. Igenkänningen omfattar många slags människor, produkter, landmärken, växter, djur och mediefigurer; en rimlig etikett ska kontrolleras när identifieringen är viktig.\n\nOCR omfattar 32 språk och är utformat för att förbättra läsning vid svagt ljus, oskärpa eller lutning, inklusive specialistvokabulär och långa dokuments struktur. Ge en läsbar sida och begär namngivna fält, citat eller en strukturerad tabell som kan kontrolleras mot den. Text- och bildförståelse kombineras, så en fråga kan koppla ett stycke till en figur och användarens instruktioner.\n\nArkitekturuppdateringar\n\nDen publicerade täta textkonfigurationen har 36 lager. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar egenskaper från flera nivåer i bildkodaren, och anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Arkitekturfunktionerna beskriver modellens representation; de fastställer ingen bestämd svarstid eller exakt fysisk noggrannhet.\n\nFörbereda indata\n\nTillverkarens familjeexempel omfattar rena textbegäranden, enskilda eller flera bilder och video. Märk visuella indata och ange deras relation. Pixelbudgetar för bild och video är separata: en bildbudget gäller en bild, medan en videobudget gäller pixlar över samplade bildrutor. Uttryckliga bildmått anpassas till multiplar av 32. Dokumenterad videostandard är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i stödda flöden.\n\nHjälpflödet bevarar videometadata och rekommenderar att dubbel storleksändring undviks när mediet redan har storleksändrats. För en dokumentuppgift ska sididentifierare behållas; för ett klipp ska händelsen, relevant intervall och synliga belägg efterfrågas. Förberedelseexemplen tillämpar dokumenterade förmågor snarare än garanterar exakt extraktion eller tidsmässig precision.\n\nGenereringsråd och begränsningar\n\nExakt detta modellkort ger separata uppgiftsförval. Uppgifter med bild och språk använder temperature 0.7, top_p 0.8, top_k 20, upprepningsstraff 1.0 och närvarostraff 1.5, med en utdataram på 16,384 token. Textuppgifter använder temperature 1.0, top_p 1.0, top_k 40, upprepningsstraff 1.0 och närvarostraff 2.0, med en ram på 32,768 token. Detta är budgetar i producentens recept, inte oberoende fastställda hårda utdatatak eller separata modellidentiteter.\n\nFamiljens procedur för lång kontext använder YaRN, med en föreslagen faktor på två eller tre när dess sammanflätade positioner utökas från 256K till cirka 1M. Kopiera inte en faktor på fyra från en annan Qwen-familj. Reservera plats för svaret tillsammans med visuella indata och textindata och verifiera OCR, beräknade slutsatser och genererad källkod mot originalmaterialet. Behåll exakt Instruct-utgåva i stället för att importera en Thinking-kontrollpunkts genererings- eller kontrollkontrakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct är Qwens täta instruktionsinriktade modell för bild och språk som tar emot text, bilder och video och returnerar text eller kod. Den stöder dokumentläsning, visuell kodning, spatiala frågor och videoanalys, med OCR för 32 språk och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
8B-utgåvan Instruct för bild och språk
Qwen3-VL-8B-Instruct är den täta instruktionsinriktade 8B-utgåvan av Qwen3-VL. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Den förblir åtskild från den resonemangsförstärkta Thinking-utgåvan och från glesa expertmodeller i samma familj. Välj den för en avgränsad visuell instruktion, dokumentfråga eller redigerbar artefakt vars resultat kan jämföras med tillhandahållna belägg.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av dator- eller mobilgränssnittselement, förståelse av deras funktioner och användning av verktyg i ett visuellt agentflöde. Ge en skärmbild och ett konkret mål och fråga sedan vilka synliga kontroller som motsvarar målet och vilka belägg som stöder valet. Ansluten programvara utför åtgärder; att känna igen ett gränssnitt ger inte självständigt modellen kontroll över en enhet.
Visuell kodning omfattar produktion av diagraminnehåll och HTML, CSS eller JavaScript från bilder eller video. Tillhandahåll layoutreferensen tillsammans med funktionskrav och nödvändiga redigerbara utdata. Begär källstruktur och stilar separat när det underlättar granskningen. Genererad kod är en textartefakt; den behöver fortfarande ett utvecklingsflöde för att renderas och få sitt beteende bedömt.
Spatial perception och långt material
Qwen dokumenterar resonemang om objektpositioner, synvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Namnge målobjektet och ange relationen som undersöks. Ett resultat om relativ position är en slutsats från bilden, inte ett kalibrerat fysiskt mått.
Den inbyggda kontexten är 262,144 token. Familjen beskriver böcker och timmar av video, med händelseindexering på sekundnivå och utökning till omkring en miljon token genom konfiguration. Representation, bildrutesampling och den konfigurerade sekvensgränsen avgör vilket material som bearbetas. En stor kontext garanterar inte fullständig återgivning av varje sida eller bildruta. Bevara timing när en videohändelseredogörelse begärs.
Multimodalt resonemang, igenkänning och OCR
Familjen stöder STEM- och matematikfrågor, kausalanalys och beläggsbaserade visuella förklaringar. Ge hela problemformuleringen tillsammans med ett diagram och begär de använda värdena och relationerna före slutsatsen. Igenkänningen omfattar många slags människor, produkter, landmärken, växter, djur och mediefigurer; en rimlig etikett ska kontrolleras när identifieringen är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning vid svagt ljus, oskärpa eller lutning, inklusive specialistvokabulär och långa dokuments struktur. Ge en läsbar sida och begär namngivna fält, citat eller en strukturerad tabell som kan kontrolleras mot den. Text- och bildförståelse kombineras, så en fråga kan koppla ett stycke till en figur och användarens instruktioner.
Arkitekturuppdateringar
Den publicerade täta textkonfigurationen har 36 lager. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar egenskaper från flera nivåer i bildkodaren, och anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Arkitekturfunktionerna beskriver modellens representation; de fastställer ingen bestämd svarstid eller exakt fysisk noggrannhet.
Förbereda indata
Tillverkarens familjeexempel omfattar rena textbegäranden, enskilda eller flera bilder och video. Märk visuella indata och ange deras relation. Pixelbudgetar för bild och video är separata: en bildbudget gäller en bild, medan en videobudget gäller pixlar över samplade bildrutor. Uttryckliga bildmått anpassas till multiplar av 32. Dokumenterad videostandard är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i stödda flöden.
Hjälpflödet bevarar videometadata och rekommenderar att dubbel storleksändring undviks när mediet redan har storleksändrats. För en dokumentuppgift ska sididentifierare behållas; för ett klipp ska händelsen, relevant intervall och synliga belägg efterfrågas. Förberedelseexemplen tillämpar dokumenterade förmågor snarare än garanterar exakt extraktion eller tidsmässig precision.
Genereringsråd och begränsningar
Exakt detta modellkort ger separata uppgiftsförval. Uppgifter med bild och språk använder temperature 0.7, top_p 0.8, top_k 20, upprepningsstraff 1.0 och närvarostraff 1.5, med en utdataram på 16,384 token. Textuppgifter använder temperature 1.0, top_p 1.0, top_k 40, upprepningsstraff 1.0 och närvarostraff 2.0, med en ram på 32,768 token. Detta är budgetar i producentens recept, inte oberoende fastställda hårda utdatatak eller separata modellidentiteter.
Familjens procedur för lång kontext använder YaRN, med en föreslagen faktor på två eller tre när dess sammanflätade positioner utökas från 256K till cirka 1M. Kopiera inte en faktor på fyra från en annan Qwen-familj. Reservera plats för svaret tillsammans med visuella indata och textindata och verifiera OCR, beräknade slutsatser och genererad källkod mot originalmaterialet. Behåll exakt Instruct-utgåva i stället för att importera en Thinking-kontrollpunkts genererings- eller kontrollkontrakt.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-8b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-vl-8b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct är Qwens täta instruktionsinriktade modell för bild och språk som tar emot text, bilder och video och returnerar text eller kod. Den stöder dokumentläsning, visuell kodning, spatiala frågor och videoanalys, med OCR för 32 språk och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
8B-utgåvan Instruct för bild och språk
Qwen3-VL-8B-Instruct är den täta instruktionsinriktade 8B-utgåvan av Qwen3-VL. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Den förblir åtskild från den resonemangsförstärkta Thinking-utgåvan och från glesa expertmodeller i samma familj. Välj den för en avgränsad visuell instruktion, dokumentfråga eller redigerbar artefakt vars resultat kan jämföras med tillhandahållna belägg.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av dator- eller mobilgränssnittselement, förståelse av deras funktioner och användning av verktyg i ett visuellt agentflöde. Ge en skärmbild och ett konkret mål och fråga sedan vilka synliga kontroller som motsvarar målet och vilka belägg som stöder valet. Ansluten programvara utför åtgärder; att känna igen ett gränssnitt ger inte självständigt modellen kontroll över en enhet.
Visuell kodning omfattar produktion av diagraminnehåll och HTML, CSS eller JavaScript från bilder eller video. Tillhandahåll layoutreferensen tillsammans med funktionskrav och nödvändiga redigerbara utdata. Begär källstruktur och stilar separat när det underlättar granskningen. Genererad kod är en textartefakt; den behöver fortfarande ett utvecklingsflöde för att renderas och få sitt beteende bedömt.
Spatial perception och långt material
Qwen dokumenterar resonemang om objektpositioner, synvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Namnge målobjektet och ange relationen som undersöks. Ett resultat om relativ position är en slutsats från bilden, inte ett kalibrerat fysiskt mått.
Den inbyggda kontexten är 262,144 token. Familjen beskriver böcker och timmar av video, med händelseindexering på sekundnivå och utökning till omkring en miljon token genom konfiguration. Representation, bildrutesampling och den konfigurerade sekvensgränsen avgör vilket material som bearbetas. En stor kontext garanterar inte fullständig återgivning av varje sida eller bildruta. Bevara timing när en videohändelseredogörelse begärs.
Multimodalt resonemang, igenkänning och OCR
Familjen stöder STEM- och matematikfrågor, kausalanalys och beläggsbaserade visuella förklaringar. Ge hela problemformuleringen tillsammans med ett diagram och begär de använda värdena och relationerna före slutsatsen. Igenkänningen omfattar många slags människor, produkter, landmärken, växter, djur och mediefigurer; en rimlig etikett ska kontrolleras när identifieringen är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning vid svagt ljus, oskärpa eller lutning, inklusive specialistvokabulär och långa dokuments struktur. Ge en läsbar sida och begär namngivna fält, citat eller en strukturerad tabell som kan kontrolleras mot den. Text- och bildförståelse kombineras, så en fråga kan koppla ett stycke till en figur och användarens instruktioner.
Arkitekturuppdateringar
Den publicerade täta textkonfigurationen har 36 lager. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar egenskaper från flera nivåer i bildkodaren, och anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Arkitekturfunktionerna beskriver modellens representation; de fastställer ingen bestämd svarstid eller exakt fysisk noggrannhet.
Förbereda indata
Tillverkarens familjeexempel omfattar rena textbegäranden, enskilda eller flera bilder och video. Märk visuella indata och ange deras relation. Pixelbudgetar för bild och video är separata: en bildbudget gäller en bild, medan en videobudget gäller pixlar över samplade bildrutor. Uttryckliga bildmått anpassas till multiplar av 32. Dokumenterad videostandard är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i stödda flöden.
Hjälpflödet bevarar videometadata och rekommenderar att dubbel storleksändring undviks när mediet redan har storleksändrats. För en dokumentuppgift ska sididentifierare behållas; för ett klipp ska händelsen, relevant intervall och synliga belägg efterfrågas. Förberedelseexemplen tillämpar dokumenterade förmågor snarare än garanterar exakt extraktion eller tidsmässig precision.
Genereringsråd och begränsningar
Exakt detta modellkort ger separata uppgiftsförval. Uppgifter med bild och språk använder temperature 0.7, top_p 0.8, top_k 20, upprepningsstraff 1.0 och närvarostraff 1.5, med en utdataram på 16,384 token. Textuppgifter använder temperature 1.0, top_p 1.0, top_k 40, upprepningsstraff 1.0 och närvarostraff 2.0, med en ram på 32,768 token. Detta är budgetar i producentens recept, inte oberoende fastställda hårda utdatatak eller separata modellidentiteter.
Familjens procedur för lång kontext använder YaRN, med en föreslagen faktor på två eller tre när dess sammanflätade positioner utökas från 256K till cirka 1M. Kopiera inte en faktor på fyra från en annan Qwen-familj. Reservera plats för svaret tillsammans med visuella indata och textindata och verifiera OCR, beräknade slutsatser och genererad källkod mot originalmaterialet. Behåll exakt Instruct-utgåva i stället för att importera en Thinking-kontrollpunkts genererings- eller kontrollkontrakt.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-8b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.